- 博客(10)
- 收藏
- 关注
RSS订阅
原创 Open3d处理点云数据-改进的Alpha-Shapes建筑物轮廓线提取(七)
建筑物轮廓线提取是三维城市重建的关键环节。传统 Alpha-shapes 轮廓线提取算法具有鲁棒性强且易于实现的优点，但所提取的轮廓线容易受噪声点的干扰，难以获得准确的轮廓边缘。针对该问题，提出了一种改进的Alpha-shapes 轮廓线提取算法。首先，采用随机抽样一致性算法筛选由 Alpha-shapes 算法提取的初始轮廓点；然后，用道格拉斯普克算法确定关键轮廓点；最后，通过强制正交优化提取准确的轮廓线。用三组不同形状建筑物的点云进行实验，结果表明，本算法能获得更准确的建筑物边缘，有效克服了传统。
2025-02-23 15:37:38
2311
原创 Open3d处理点云数据-基于机载LiDAR点云数据的建筑物轮廓提取(十)
针对目前建筑物轮廓提取效率与提取精度不高的问题，本文以机载 LiDAR 点云数据为实验对象，提出了基于机载LiDAR 点云数据的点云滤波、建筑物点云提取、建筑物轮廓提取以及轮廓规则化方法。首先通过对原始点云进行滤波，得到非地面点云。在非地面点云中，使用改进的三维Hough 算法提取得到建筑物点云，并且使用算法对建筑物轮廓进行提取。由于建筑物点云分散，提取得到的建筑物轮廓需要进行规则化处理，本文使用线段长度加权法对提取得到的建筑物轮廓规则化处理，实现了基于机载点云数据的建筑物轮廓提取及规则化处理。
2025-02-25 16:37:09
907
原创 Open3d处理点云数据-可变半径 Alpha Shapes 提取机载LiDAR 点云建筑物轮廓(九)
机载激光雷达(light detection and ranging,LiDAR)能够快速获取建筑物表面的 3 维点云,为提取建筑物轮廓提供重要的数据支撑,但由于激光脚点的随机性和点云自身的离散性,常规固定半径 Alpha Shapes(A-Shapes)算法难以兼顾轮廓提取的精细度和完整度,且在点数量较大情况下计算效率较低。因此,提出一种基于网格的可变半径 Alpha Shapes 方法用于提取机载 Li DAR 点云建筑物轮廓。
2025-02-25 16:18:31
2228
原创 Open3d处理点云数据-顾及局部-全局特征多尺度卷积注意力网络的点云地物分类方法(八)
由于点云的非结构化和无序性，现有的深度学习点云分类网络存在局部特征和全局特征挖掘充分并且缺乏有效的上下文特征融合的问题，难以实现地物精细分类。因此，本文提出了一种顾及局部-全局征多尺度卷积注意力网络的点云地物分类方法。首先，针对点云的非结构性，构建局部加权图学习中心点和邻点的位置关系，动态调整核权重，以获得更具代表性的局部特征。同时提出全局图注意力模块，考虑各点之间的全局空间分布，应对点云无序性的同时，可以有效捕获全局上下文特征，从而有效整合不同尺度信息。此外，设计自适应加权
2025-02-23 18:12:22
2242
原创 Open3d处理点云数据-改进的欧式聚类分割算法(六)
欧式聚类算法（Euclidean Clustering）是一种将点云数据分割成不同聚类（簇）的算法。它是点云分割中的一种常用方法，旨在将距离比较近的点分为同一簇，从而识别出不同的物体或结构。这个算法主要适用于包含较小噪音和具有一定距离差异的点云数据。基本思想：(1）选择一个种子点（Seed Point）作为当前簇的起始点。(2) 遍历所有未分类的点，计算它们与种子点的距离。如果距离小于设定的阈值，将其归为同一簇。(3) 对于同一簇中的点，重复步骤2，将与当前簇内任一点距离小于阈值的点加入簇。
2025-02-23 11:48:14
958
1
原创 Open3d处理点云数据-体素下采样(五)
对于大规模点云处理而言，直接对点云进行特征提取能较好地保留三维结构信息，但由于点云的无序性，直接处理的方式在对邻域进行搜索时需要较高的计算成本，一个常用的解决方式就是对点云进行下采样，将对全部点云的操作转换到下采样所得到的关键点上，从而达到降低计算量的目的。或是进行点云曲面重建时，所获得的点云数量稀缺，则要对点云进行上采样操作，来增加点云数量，以便更好的计算曲面特征。以下来介绍常用的点云采样方法。
2025-02-23 09:47:01
885
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人